Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Herramienta de Clasificación Aplicada A Imágenes de Células de Purkinje
Herramienta de Clasificación Aplicada A Imágenes de Células de Purkinje
PURKINJE
Rubén Medina
Francisco Durán
rmedina@ula.ve
fduran@ula.ve
Grupo de Investigación de Ingeniería Biomédica (GIBULA), Universidad de Los Andes. Mérida-
Venezuela
Centro de Microscopía Electrónica “Dr. Ernesto Palacios Prü”. Universidad de Los Andes.
Mérida-Venezuela
Miguel Vera
Alirio Balza
veramig@gmail.com
alibal@ula.ve
Grupo de Investigación de Ingeniería Biomédica (GIBULA), Universidad de Los Andes. Mérida-
Venezuela
Centro de Microscopía Electrónica “Dr. Ernesto Palacios Prü”. Universidad de Los Andes.
Mérida-Venezuela.
Resumen. En este trabajo se propone cuantificar espinas dendríticas en imágenes obtenidas por
microscopía de luz, de células de Purkinje (CP) de la corteza cerebelosa de ratón. El conteo de
espinas en CP es un problema de gran interés para el Centro de Microscopia Electrónica
“Ernesto Palacios Prü”, por la diversidad de enfermedades que pueden afectar tanto la
estructura como la funcionalidad del cerebelo. El número de espinas y el crecimiento dendrítico
son variables dinámicas, que expresan la plasticidad del sistema nervioso y van modificándose
durante el proceso de desarrollo y maduración de los vertebrados. De allí la importancia de
conocer los patrones normales propios de cada una de las etapas de desarrollo, para poder
determinar cualquier alteración que en la práctica se traduce en manifestaciones clínicas y
patológicas. En los estudios que se realizan en el referido centro es importante disponer de la
información relativa al número de espinas dendríticas en CP ya que dicha información permite
expresar las condiciones funcionales del cerebelo y, por tanto, del individuo.
El objetivo de esta investigación fue crear una herramienta de clasificación para cuantificar
las espinas dendríticas en CP, basada en máquinas de soporte vectorial de mínimos cuadrados.
Las imágenes fueron pre-procesadas con el algoritmo de deconvolución de Lucy-Richardson y
realce logarítmico. Los resultados obtenidos sugieren que la técnica estudiada podría ser una
importante herramienta de clasificación para este tipo de imágenes al lograr detectar mayor
cantidad de espinas de manera automática que las obtenidas por el método manual identificadas
por un experto.
1. Introducción
Las Células de Purkinje (CP) constan de un árbol dendrítico que posee ramificaciones en las
cuales se ubican unas estructuras denominadas espinas [1],[2]. Las espinas dendríticas son
importantes puesto que su aspecto morfológico, su número y su distribución espacial representan
la expresión anatómica del funcionamiento del cerebelo. En el Centro de Microscopia Electrónica
“Ernesto Palacios Pru”, se sigue un procedimiento manual para el conteo de espinas dendríticas
de CP. El conteo de espinas dendríticas permite estudiar los efectos de sustancias nocivas en los
individuos, midiendo el grado en que se afecta la estructura del árbol dendrítico. Las imágenes
obtenidas por microscopía de luz, en las que están presentes las CP, son obtenidas a diferentes
planos focales. Esto origina una borrosidad debido al proceso de degradación causado por
aberraciones ópticas que son factibles de ser eliminadas al utilizar técnicas de restauración y
realce [3],[4], lo cual permite visualizar las espinas presentes en las CP. A continuación se
presentan algunos estudios donde se utilizaron herramientas de clasificación.
Vera y colaboradores [5], desarrollaron una técnica para la detección automática del corazón
en imágenes de Tomografía Multi-corte. La técnica consta de dos etapas. En la primera se detectó
un conjunto de marcadores anatómicos sobre el borde del corazón empleando una máquina de
soporte vectorial de mínimos cuadrados (LSSVM). Durante el proceso de detección de los
marcadores se obtuvo un 95,84% de sensibilidad. Los marcadores detectados fueron ubicados
según sus coordenadas sobre la imagen. Durante la segunda etapa, se generó una superficie 3-D
para representar el corazón.
Huang y colaboradores [6], presentaron un método para la clasificación del carcinoma
prostático en imágenes patológicas según el sistema de clasificación de Gleason, el cual se usa
en la clasificación histológica de los tejidos finos de próstata. Los autores proponen dos métodos
de extracción de características basadas en la dimensión fractal para analizar las variaciones de la
intensidad y la complejidad de la textura en las regiones de interés. Cada imagen se puede
clasificar utilizando técnicas bayesianas, redes neuronales y máquinas soporte vectorial. Los
resultados experimentales, sobre 205 imágenes patológicas de la próstata, demuestran que se
obtuvo el 94,6%, 94,2%, y 94,6% en Tasas Correctas de Clasificación, respectivamente.
Por otra parte, en el presente trabajo, las LSSVM, permitieron clasificar y cuantificar el
número de espinas dendríticas.
2. Materiales y Métodos
Se diseña una imagen asignándole un nivel de gris de valor 128 al fondo de la imagen, y un
conjunto de caracteres con niveles de gris diferentes (A=150, C=190, G=90, I=50, K=10) que son
considerados Marcadores. Igualmente se incluye un conjunto de caracteres (J=30, H=70, F=110,
B=170, D=210) que son considerados No Marcadores, como se muestra en la Figura 1. A partir
de esta imagen se generaron 25 imágenes, agregándole ruido de tipo Gausiano con varianza
0,0001 e incrementándola para cada nueva imagen en 0,0001. De las imágenes sintéticas se
generaron dos grupos uno para entrenamiento y otro para validación de la LSSVM.
Figura 1. (a) Imagen sin ruido, la LSSVM seleccionó los Marcadores en el test de entrenamiento
(b) Imagen con ruido donde la LSSVM seleccionó los Marcadores, test de validación (imagen 8,
SNR=23,74 dB)
2.2. Imágenes de CP
La base de datos de CP está constituida por 25 imágenes con una resolución espacial de
256x256 píxeles y una profundidad de intensidad de 8 bits. La técnica utilizada para pre-procesar
las imágenes de CP fue la deconvolución [7] y realce logarítmico [8], la técnica fue
implementada para realzar las espinas en las ramas de la CP.
Para el entrenamiento de las LSSVM, los Marcadores y los No Marcadores son representados
por vectores normalizados los cuales fueron configurados usando una relación de 1:15, es decir,
por cada Marcador se utilizan 15 No Marcadores. Seguidamente, se asignó a los vectores
Marcadores la etiqueta -1 y a los vectores No Marcadores la etiqueta +1.
3. Resultados
La Figura 3, muestra la curva ROC (Receiving Operating Characteristic) la cual indica que el
mejor par Sensibilidad-Especificidad tiene una probabilidad de 0,71 de poder diferenciar un
Marcador de un No Marcador.
Los resultados obtenidos sugieren que la técnica estudiada podría ser una importante
herramienta de clasificación para este tipo de imágenes adquiridas por microscopia. La LSSVM
pudo detectar mayor cantidad de espinas que las identificadas por el experto que realizó el conteo
manualmente. Según los expertos la mayor cantidad de espinas dendríticas detectadas en el
conteo automático por la LSSVM podrían ser efectivamente espinas dendríticas de la CP.
Se tiene previsto aplicar técnicas de minería de datos para extraer atributos de las imágenes y
así poder minimizar los tiempos de cómputo en las técnicas de clasificación.
Se propone aplicar otras técnicas de clasificación como redes neuronales, clasificadores
bayesianos, que permitan comparar los resultados obtenidos.
5. Referencias
[1]. Palacios E., Mendoza R., Colasante C., Morphological changes in neuromuscular junctions
during exercise. J Neurosci Res. 9(4):371-80.1983.
[2]. Palay S., Chan V., Cerebellar Cortex. Springer-Verlag. Berlin.Heidelberg. New York. 1994.
[3]. Duran F., Medina R., Vera M., Mendoza R., Peña Z., Dávila D., Balza J., Mora N.
Preprocesamiento de células de Purkinje utilizando el algoritmo de deconvolución de
Lucy-Richarson. LX convención anual de AsoVAC. Ciudad Bolívar. 2010.
[4]. Durán F., Medina R., Mendoza L., Mendoza R., Peña Z., Davila D., Utilización de filtros de
mediana y transformada wavelet en el análisis digital de imágenes neuronales. Memorias del
X Congreso Internacional de Métodos Numéricos en Ingeniería y Ciencias Aplicadas
(CIMENICS 2010), Mérida, Venezuela, Marzo. pp PS25-PS29. 2010.
[5]. Vera M., Medina R., Bravo A., Detección del corazón utilizando máquinas de soporte
vectorial de mínimos cuadrados. Memorias del X Congreso Internacional de Métodos
Numéricos en Ingeniería y Ciencias Aplicadas (CIMENICS 2010), Mérida, Venezuela,
Marzo, 2010.
[6]. Huang W., Lee C., Automatic Classification for Pathological Prostate Images Based on
Fractal Analysis. Medical Imaging, IEEE Transactions on In Medical Imaging, 28(7). 1037-
1050. 2009.
[7]. Poindexter B., Wounds J., Immunofluorescence Deconvolution Microscopy and Image
Reconstruction of Human Defensins in Normal and Burned Skin. 2005; 4: e7. Published
online 2005 April 25. PMCID: PMC1501114.
[8]. González, R. C., Woods R. E., Eddins S. L. Digital Image Processing Using MATLAB
(DIPUM) . Gatesmark Publishing. pp 827, 2009.
[9]. Suykens A.K., Gestel T.V., Brabanter J., Moor B., J., Vandewalle, Least Squares Support
Vector Machines, World Scientific, Singapore, 2002.
[10]. Lee W. Probabilistic analysis of global performances of diagnostic tests: interpreting the
Lorenz Curve-based summary measures. Stat Med, 18: 455-71. 1999.